L'approccio basato sull'apprendimento automatico aiuta la valutazione della roccia sorgente

Jul 29, 2023

I parametri geochimici sono set di dati cruciali per migliorare la precisione della previsione delle zone ricche di sostanza organica. Gli attuali metodi di analisi di laboratorio per ottenere queste misurazioni, tuttavia, sono costosi e richiedono molto tempo. Sebbene esista un ricco corpus di conoscenze ed equazioni per la stima del carbonio organico totale (TOC) dai registri delle linee elettriche, continuano i nuovi sforzi di ricerca, in particolare sfruttando l’apprendimento automatico (ML), per prevedere i parametri geochimici dai registri delle linee elettriche. Questi metodi, tuttavia, fanno molto affidamento sulla disponibilità e sulla qualità dei dati. I parametri geochimici come il TOC forniscono informazioni preziose per comprendere la ricchezza e la maturità organica delle rocce e, quindi, ottimizzare l'esplorazione degli idrocarburi.

Il TOC può essere definito come la quantità di contenuto organico in una roccia. La materia organica è la componente più importante nella valutazione della roccia madre. Comprendere le variazioni del TOC, quindi, è importante per valutare la qualità delle rocce madri di idrocarburi, identificare le zone ricche di materiale organico e migliorare la caratterizzazione dei serbatoi non convenzionali. In precedenza, i calcoli matematici che utilizzavano i log aiutavano a stimare i valori di TOC e a determinare la produttività della roccia madre (Passey et al. 1990). L'interpretazione ha portato all'identificazione del contenuto organico e degli intervalli ricchi di organico maturo. Due modi per calcolare il TOC utilizzando i logaritmi sono il rapporto sonico/resistività (Ahangari et al. 2022) e le combinazioni logaritmiche (Fertl et al. 1988). Questi approcci forniscono la valutazione della capacità della roccia madre di rilasciare idrocarburi. A causa dei limiti di questi metodi, questo articolo presenta un nuovo flusso di lavoro per prevedere profili TOC continui ad alta risoluzione utilizzando ML, impiegando solo pochi minuti. Questo approccio aiuta ad aumentare la precisione delle previsioni dei parametri geochimici. Non è distruttivo e richiede una necessità minima di test di laboratorio.

BackgroundTOC è un parametro critico per l'identificazione di zone ricche di materiale organico e la caratterizzazione della roccia madre in una formazione rocciosa. Un'importante limitazione dei dati TOC misurati in laboratorio è il fatto che queste misurazioni sono discrete e sparse e non coprono l'intera area di interesse a causa della natura distruttiva dell'analisi. È inoltre possibile incorporare immagini contenenti attributi di colore nel flusso di lavoro per facilitare la previsione dei parametri geochimici. È stato introdotto un flusso di lavoro ML per rilevare e visualizzare diversi parametri geochimici per migliorare la caratterizzazione delle zone ricche di sostanza organica in modo non distruttivo (Shalaby et al. 2019). Qui mostriamo un flusso di lavoro ML che utilizza immagini principali e dati di laboratorio TOC per generare profili TOC continui ad alta risoluzione in modo tempestivo.

MetodologiaLe foto principali sono state scomposte in entropia e attributi di colore (curve rosse, verdi e blu). È stata utilizzata una finestra della media mobile per estrarre curve visive continue degli attributi. Questi attributi sono stati confrontati con le corrispondenti misurazioni TOC misurate in laboratorio utilizzando lo strumento di pirolisi Rock Eval.

Il flusso di lavoro è costituito da due algoritmi ML. Il primo algoritmo è il clustering K-means non supervisionato, che utilizza l'entropia estratta e le curve di colore come input. Ciò ha generato una curva continua di cluster in base agli attributi estratti. Sulla base delle conoscenze precedenti delle misurazioni del TOC centrale, è stato selezionato il numero di ammassi rocciosi. Ad esempio, sono state identificate diverse misurazioni TOC, che includono valori alti, medi e bassi. In questo caso, il numero di cluster generati sarà tre. Questo approccio è utile per classificare direttamente intervalli con valori TOC elevati. Il secondo algoritmo ha applicato la regressione vettoriale di supporto (SVR), con gli attributi estratti legati ai valori TOC. Questo approccio ha utilizzato l'80% dei dati per addestrare il modello e il 20% per il test cieco e la convalida del modello. Il risultato finale può essere utilizzato per produrre un profilo TOC continuo ad alta risoluzione (Fig. 1).

Risultati Il flusso di lavoro ha generato risultati promettenti costituiti da profili TOC continui ad alta risoluzione per intervalli di roccia madre attraverso algoritmi ML in modo non distruttivo (Fig. 2). I risultati mostrano la generazione riuscita di un profilo TOC continuo con una precisione di previsione del 90% entro ± 1% dei dati misurati (Fig. 3). L'utilizzo di immagini coerenti e di alta qualità insieme a un'adeguata distribuzione dei dati può aiutare a produrre risultati con un elevato grado di precisione della previsione. La costruzione e l'addestramento del modello basato su immagini di alta qualità e un'ampia gamma di distribuzione dei dati migliora i risultati predittivi e, in definitiva, migliora la caratterizzazione delle zone ricche di organico e delle risorse non convenzionali (Peters et al. 2016).